[发明专利]基于深度学习三维重建的城市高密度区室外热舒适评价方法

说明书

本发明公开了一种基于深度学习三维重建的城市高密度区室外热舒适评价方法，包括：获取城市高密度区遥感图像数据；在Python集成平台下对城市高密度区遥感图像数据进行预处理，得到遥感图像数据集；建立基于CNN‑LSTM的神经网络模型，采用随机梯度下降法对该模型进行训练；将遥感图像数据集输入至训练好的神经网络模型中，获得城市高密度区三维重建模型；对城市高密度区三维信息模型进行计算机模拟，生成城市高密度区环境信息模型；借助ENVI‑met对城市高密度区环境信息模型进行模拟分析，根据数据模拟分析结果进行室外热舒适评价。该方法解决了城市高密度区室外热舒适评价中建筑环境信息建模精度与效率瓶颈问题。

技术领域

本发明涉及深度学习技术领域，特别涉及一种基于深度学习三维重建的城市高密度区室外热舒适评价方法。

背景技术

随着城市化进程加快，城市高密度区热岛效应加剧。高效、准确的城市高密度区室外热舒适评价对于指导城市规划与城市设计具有重要作用。既有城市高密度区热舒适评价方法需基于城市建筑报批数据、实地测量数据来建立室外热舒适评价模型，存在建模效率低、建筑周边环境信息易丢失、既有建筑改扩建情况更新不及时等问题，影响了城市高密度区热舒适评价精度和效率的提升，制约了其在城市高密度区规划与设计过程中的应用。一次亟待一种城市高密度区室外热舒适的评价方法。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出一种基于深度学习三维重建的城市高密度区室外热舒适评价方法，该方法实现了城市环境信息模型获取的精确性，保证了前期环境信息模型的建立与后期的室外热舒适性评价的快速、实时的衔接，对于获得城市尺度的室外环境指标具有重要的指导意义。

为达到上述目的，本发明实施例提出了基于深度学习三维重建的城市高密度区室外热舒适评价方法，包括以下步骤：步骤S1，获取城市高密度区遥感图像数据；步骤S2，在Python集成平台Anaconda下对所述城市高密度区遥感图像数据进行预处理，得到遥感图像数据集；步骤S3，建立基于CNN-LSTM的神经网络模型，采用随机梯度下降法对所述神经网络模型进行训练；步骤S4，将所述遥感图像数据集输入至训练好的神经网络模型中，获得城市高密度区三维重建模型；步骤S5，对所述城市高密度区三维信息模型进行计算机模拟，赋予城市高密度区环境物理信息，生成城市高密度区环境信息模型；步骤S6，借助 ENVI-met对所述城市高密度区环境信息模型进行模拟分析，根据数据模拟分析结果进行室外热舒适评价。

本发明实施例的基于深度学习三维重建的城市高密度区室外热舒适评价方法，通过无人机多倾角低空摄影获得城市高密度区建筑与环境的几何信息，利用深度学习三维重建技术对获得的城市高密度区建筑与环境的几何信息进行三维重建，获得城市高密度区的三维信息模型，赋予城市高密度区三维信息模型环境气象、环境材质参数，获得城市高密度区室外热舒适性环境信息模型，使其与后期的室外热舒适分析精准的衔接，对城市层面的设计产生指导意义。

另外，根据本发明上述实施例的基于深度学习三维重建的城市高密度区室外热舒适评价方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，通过无人机以不同倾角对城市高密度区域拍摄N张、像素为 4000*3000的照片，组成所述城市高密度区遥感图像数据，其中，N为正整数。

进一步地，在本发明的一个实施例中，所述步骤S2进一步包括：在Python集成运行环境Anaconda 下，并采用tensorflow深度学习框架，对所述城市高密度区遥感图像数据依次进行序列编码；利用PIL库的Image模块对所述城市高密度区遥感图像数据进行整理与特征缩放，并使用PCA算法进行降维处理，生成所述遥感图像数据集。